Nelson Devia C Basado en Bertsimas, D., Tsitsiklis, J. (1997) Introduction to Linear Optimization Capítulo 3

Transcripción

1 IN Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile 2011 Basado en Bertsimas, D., Tsitsiklis, J. (1997) Introduction to Linear Optimization Capítulo 3

2 Contenidos Introducción 1 Introducción 2 3 4

3 Introducción Se sabe que si un problema de programación lineal admite solución óptima, entonces existe una solución básica factible (sbf) que es solución óptima de éste. Esto implica que: Si el problema tiene solución óptima única, ésta es una solución básica factible 1 Si el problema tiene infinitas soluciones óptimas, al menos una de ellas es una solución básica factible 1 El método Simplex aprovecha esto y busca la solución óptima moviéndose de una sbf a otra, a través de las aristas del poliedro factible, en alguna dirección que reduzca los costos. En este capítulo se considerará un problema en forma estándar, es decir: mín c x Ax = b x 0 1 sbf = vértice o punto extremo del poliedro factible

4 Condiciones de Optimalidad Como todo problema de programación lineal es representado por un poliedro, basta con buscar óptimos locales, ya que en un conjunto convexo todo óptimo local es un óptimo global. Óptimo Local: Un punto x es un óptimo local si ningún punto factible cercano a él lleva a una mejora en la función objetivo. Formalmente, x es un óptimo local de P si y sólo si: ε > 0, x B(x, ε) P, c x c x Donde B(x, ε) es una bola de radio ε centrada en x

5 Propiedades de la Recordemos que el problema en forma estándar de la primera lámina es una representación matricial del siguiente problema: mín n c i x i i=1 n A i x i = b i=1 x i 0 i = 1,..., n Sean B(1),..., B(m) los índices de las variables básicas para una sbf del poliedro factible. Recordar que en una sbf se tiene que x i = 0, i / B = {B(1),..., B(m)} El problema se puede escribir ahora separando las variables básicas de las no básicas...

6 Propiedades de la mín n c i x i i=1 n A i x i = b i=1 mín m c B(i) x B(i) + c i x i i=1 i / B m A B(i) x B(i) + A i x i = b i / B x i 0 i = 1,..., n x i 0 i = 1,..., n En términos matriciales, lo que se hizo fue reordenar las columnas de la matriz A y las componentes de los vectores c y x, de manera que se obtenga el mismo resultado: i=1

7 Propiedades de la

8 Propiedades de la Ahora el problema se puede escribir matricialmente de la siguiente forma: mín c B x B + c N x N (1) A B x B + A N x N = b (2) x 0 (3) Sabemos que en una sbf, la matriz A B es de rango completo y, por lo tanto, es invertible. Luego, de la ecuación (2) se tiene: x B = A 1 B b A 1 B A Nx N (4) Sean b = A 1 B b, A N = A 1 B A N, por lo tanto: x B = b A N x N En las sbf s se tiene que x N = 0, luego x B = b

9 Costos Reducidos Reemplazando la ecuación (4) en (1) se tiene: c B (A 1 B b A 1 B A Nx N ) + c N x N c B A 1 B b + (c N c B A 1 B A N)x N c B A 1 B b + c N x N Donde llamamos costos reducidos a: c N = c N c BA 1 B A N (5) Notar que estos costos consideran los costos de las variables no básicas (c N ) y una componentde de los costos de las variables báscias ( c B A 1 B A N), que depende de las columnas de A asociadas a las variables no básicas (A N ).

10 Costos Reducidos Luego el problema de optimización queda: mín c B A 1 B b + c N x N x 0 Notar que el término c B A 1 B b es una constante para el problema. El óptimo de este problema depende de los costos reducidos: Si todos los costos reducidos son no negativos, el óptimo se alcanza para x N = 0 y, por lo tanto, la base (B) es la base óptima para el problema. Si existe una componente i negativa en los costos reducidos, significa que se obtiene un beneficio al aumentar el valor de x i, por lo que ésta debería dejar de ser una variable no básica (entraría a la base) y, por lo tanto, la base actual no es óptima.

11 Dirección Factible Una dirección factible es aquella dirección en la que es posible moverse sin salir inmediatamente del poliedro. Formalmente, dado un poliedro P y un punto x P R n, un vector d R n es una dirección factible en x si: θ > 0/x + θd P

12 Dirección Básica Factible Sea x una sbf y B = {B(1),..., B(m)} los índices de las variables básicas. Sabemos que: x B = b x i = 0 i / B Supongamos que queremos movernos desde x a otro punto y, eligiendo una de las variables no básicas j (que inicialmente vale 0) y aumentando su valor sin modificar las demás variables no básicas. Usaremos la dirección: d j = (d j B d j N ) d j B = (d j B(1),..., d j B(m) ) d j N = (0,..., 0, 1, 0,..., 0) Donde d j N tiene todas sus componentes nulas excepto la j-ésima, que vale 1. Llamaremos a d j la j-ésima dirección básica.

13 Dirección Básica Factible Ahora nos movemos en la dirección d j hacia el nuevo punto y: Es decir: y = x + θd j, θ > 0 y B = x B + θd j B y N = x N + θd j N Como queremos movernos por dentro del poliedro, sólo nos interesan los puntos factibles, es decir, se necesita que: Ay = b A(x + θd j ) = b Como x es factible (Ax = b), se necesita que Ad j = 0: n m Ad j = A i d j i = A B(i) d j B(i) + A j = A B d j B + A j = 0 i=1 i=1 Despejando, se obtiene la j-ésima dirección básica factible: d j B = A 1 B A j

14 Dirección Básica Factible Al moverse en una dirección d j también se debe verificar si se mantiene la no negatividad de las variables y 0 x + θd j 0 Las variables no básicas, que inicialmente valen 0, no sufren cambios, excepto por la variable x j, la que sólo puede aumentar, ya que d j j = 1 y θ > 0. y i = x i + θ 0 y i = x i i / B, i j y j = x j + θ 1 y j = x j + θ

15 Dirección Básica Factible Para las variables básicas hay 2 casos: El punto x es no degenerado, lo que implica que x B > 0 y para un θ suficientemente pequeño: y B = x B + θd j B 0 El punto x es degenerado, es decir, existe x B(i) = 0 y puede ocurrir que la componente d j B(i) sea negativa, violando inmediatamente la no negatividad para cualquier valor de θ: y B(i) = x B(i) + θd j B(i) < 0 Con: d j B(i) = ( A 1 B A j ) B(i) < 0 (6)

16 Dirección Básica Factible La función objetivo en el nuevo punto queda dada por c y = c (x + θd j ) Luego, al movernos en esta dirección, la tasa de cambio en la función objetivo estará dada por c d j c d j = c Bd j B + c j Reemplazando d B de la ecuación (6) se recupera el costo reducido de la variable no básica j c d j = c j c BA 1 B A j = c j Luego, si el costo reducido de la variable j es negativo, conviene moverse en la j-ésima dirección básica, ya que la función objetivo disminuye. Si es positivo, no conviene moverse en esa dirección, pues se empeora el valor de la función objetivo. Si es cero, es indiferente el moverse en esa dirección.

17 Dirección Básica Factible

18 Condiciones de Optimalidad Sea x una sbf y sea c N el vector de costos reducidos correspondiente a una base B asociada a x: Si c N 0, entonces x es óptimo. Si x es óptimo y no degenerado, entonces c N 0. Una base B se dice óptima si cumple factibilidad y no negatividad de los costos reducidos: Factibilidad: Ax = b A B x B = b x B = A 1 B b b = A 1 B b 0 Costos reducidos no negativos: c N = c N c BA 1 B A N 0

19 Desarrollo del Hasta ahora sabemos: Verificar si la sbf actual es óptima. Cómo movernos desde una sbf a través de la j-ésima dirección básica factible. Falta por saber: Cuánto moverse a lo largo de la j-ésima dirección básica factible. Cómo escoger esta dirección. En lo que sigue asumiremos que todas las sbf son no degeneradas.

20 Desarrollo del Supongamos que en la sbf x se tiene que el j-ésimo costo reducido es negativo. Luego, es conveniente moverse en la j-ésima dirección básica factible (d j ). Como al moverse en esta dirección se está reduciendo el valor de la función objetivo, conviene moverse lo máximo posible, manteniendo la factibilidad. Luego, se escoge θ que cumple: θ = máx {θ 0/x + θd j P}

21 Desarrollo del La única forma en que se viola la factibilidad del problema al moverse en una dirección básica factible es haciendo negativa alguna de las componentes del nuevo punto. Luego, hay 2 casos: Si d j 0 entonces y = x + θd j nunca se hace infactible y se tiene que θ = + (problema no acotado) Si d j i < 0 para alguna componente i, entonces y i = x i + θd j i 0 θ x i d j i Esto debe cumplirse para todo i tal que d j i < 0, luego: { } θ = mín i/d j i <0 x i d j i

22 Desarrollo del Como d j i = ( A 1 B A j) i = (A j ) i se tiene que: { } θ xi = mín i/(a j ) i >0 (A j ) i = mín i/(a ij >0 { bi Donde a ij es la i-ésima componente de la j-ésima columna de la matriz A N = A 1 B A N a ij }

23 Desarrollo del Ahora estamos en y = x + θ d j Notar que la variable no básica x j ya no es nula y ahora vale: y j = x j + θ d j = 0 + θ 1 = θ Notar también que la variable básica x l ahora es nula: ( ) θ = x l d j l y l = x l + x l d j l d j l = 0 Esto hace que la variable x j reemplace a x l en la base. Se dice que x j entra a la base y x l sale de la base. Teorema: { AB(i) i l La nueva matriz  B(i) = tiene columnas l.i. y, A j i = l por lo tanto, también es una matriz básica. El punto y = x + θ d j es la sbf asociada a la matriz ÂB

24 Una Iteración de Simplex 1. Comenzamos con una base A B(1),..., A B(m) y una sbf x asociada. 2. Calcular los costos reducidos para todas las variables no básicas (j / B): c j = c j c B A 1 B A j Si todos son no negativos, entonces la base actual es óptima y el algoritmo termina. Si no, escoger algún j con c j < Calcular la j-ésima dirección básica factible d j = A 1 B A j. Si ninguna de sus componentes es negativa, entonces el problema es no acotado (el óptimo es ) y el algoritmo termina.

25 Una Iteración de Simplex 4. Si alguna componente de d j es negativa, encontrar: { } θ = mín {i B/d j i <0} x i d j i 5. Sea l tal que θ = x l d j. l Formar una nueva base reemplazando la columna A l con A j. Las componentes de la nueva sbf y están dadas por: y j = θ y B(i) = x B(i) + θ d j B(i)

26 Finitud de Simplex Teorema: Asumiendo que el conjunto factible es no vacío y que todas las sbf s son no degeneradas, entonces el método Simplex termina en un número finito de iteracíones y entrega una de las siguentes posibilidades: Una base B óptima y su correspondiente sbf x óptima. Una dirección d de crecimiento factible e infinito. Luego, el problema es no acotado y el costo óptimo es.

27 Simplex con Degenerancia Si se usa exactamente el mismo algoritmo en presencia de degenerancia pueden ocurrir las siguientes posibilidades: Si θ > 0 puede ocurrir que más de una de las variables básicas se anule en el nuevo punto y = x + θ d j. Como sólo una de ellas sale de la base y la otra se mantiene en ella valiendo cero, la nueva sbf es degenerada. Si la sbf actual x es degenerada puede ocurrir que θ = 0, con lo cual la nueva sbf y es la misma que x (y = x). En este caso, a pesar de que se obtiene una base distinta, se mantiene la misma sbf asociada a ambas bases.

28 Simplex con Degenerancia Al moverse a y = x + θ d j se tiene que hay 2 variables que se anulan: x r = 0 y x s = 0 Luego, puede escogerse cualquiera de ellas para salir de la base. Al intentar moverse en la dirección d j, se tiene que θ = 0 Luego, el nuevo punto corresponde al mismo punto anterior.

29 Simplex con Degenerancia En estas condiciones el algoritmo puede, eventualmente, volver a la base inicial y quedar atrapado en un loop infinito. Para evitar esto se utilizan las llamadas reglas de pivoteo, las cuales sirven para elegir qué variables entran y salen de la base en cada iteración.

30 Simplex con Degenerancia Criterios de entrada a la base: Escoger la variable que tenga el mínimo costo reducido. Asegura la máxima tasa de mejora en la función objetivo en cada iteración. Escoger la primera variable que tenga costo reducido negativo en orden lexicográfico. Es mucho más simple y tiene menor costo computacional. Criterios de salida de la base: Si hay más de una variable que se anula en la nueva sbf, escoger la primera en orden lexicográfico. Usando estos criterios se garantiza que el método Simplex no se quede atrapado en un loop.

31 Dudas y/o Comentarios a:

32